量化模型与构建方式 1. 模型名称：多模态多尺度股价预测模型 - 模型构建思路：基于AI看图初始版本模型，结合多模态（图表数据与时序数据）和多尺度（不同频率的价量数据）特征，采用深度学习方法进行改进，提升股价预测能力[14][17][18] - 模型具体构建过程： 1. 多模态特征提取：结合卷积模型和时序模型，分别处理价量数据图表和时序数据，融合两种模态的特征[17] 2. 多尺度特征提取：引入1分钟频、日频、周频三种频率的价量数据，构建55组高频因子特征，并通过时序模型提取多日特征[18] 3. 轻量化设计：对每个子模型的参数量进行大幅度压缩，卷积模块的特征维度仅为初始模型的1/4，降低过拟合风险并提升计算效率[18] 4. 多头输出：模型输出包括未来股价的绝对收益和涨跌分类，分别采用均方误差和交叉熵作为损失函数，进行端到端训练[19] 5. 训练与验证：训练样本为2008-2016年数据，验证样本为2017-2019年数据，回测样本为2020-2024年数据[23][117] - 模型评价：通过多模态、多尺度特征提取和轻量化设计，显著提升了模型的预测能力和计算效率[14][18][19] --- 模型的回测效果 1. 多模态多尺度股价预测模型 - RankIC均值： - 全市场：8.7% - 沪深300：7.9% - 中证500：6.6% - 中证800：6.9% - 中证1000：8.2% - 国证2000：8.7% - 创业板：10.4%[21][116] - RankIC胜率： - 全市场：86.7% - 沪深300：69.0% - 中证500：73.5% - 中证800：75.2% - 中证1000：84.8% - 国证2000：86.1% - 创业板：89.2%[21][116] - 超额年化收益率： - 全市场：12.97% - 沪深300：9.17% - 中证500：5.30% - 中证800：8.38% - 中证1000：7.47% - 国证2000：7.47% - 创业板：11.52%[21][117] --- 量化因子与构建方式 1. 因子名称：多模态多尺度因子 - 因子构建思路：基于多模态（图表数据与时序数据）和多尺度（不同频率价量数据）特征提取，结合深度学习模型的预测结果生成因子[14][17][18] - 因子具体构建过程： 1. 高频因子：从1分钟频价量数据中提取55组特征，构建日度因子[18] 2. 时序因子：基于日频和周频数据，利用时序模型提取历史走势特征[18] 3. 卷积因子：基于标准化价量数据图表，利用卷积模型提取形态走势特征[17] 4. 因子融合：将时序因子和卷积因子进行特征融合，生成最终因子[17][18] - 因子评价：与Barra风格因子的相关性较低，具有较强的独立性，相关性最高的三个因子为流动性因子（-18%）、波动率因子（-16%）和市值因子（-8%）[22][23] --- 因子的回测效果 1. 多模态多尺度因子 - RankIC均值： - 全市场：8.7% - 沪深300：7.9% - 中证500：6.6% - 中证800：6.9% - 中证1000：8.2% - 国证2000：8.7% - 创业板：10.4%[21][116] - RankIC胜率： - 全市场：86.7% - 沪深300：69.0% - 中证500：73.5% - 中证800：75.2% - 中证1000：84.8% - 国证2000：86.1% - 创业板：89.2%[21][116] - 超额年化收益率： - 全市场：12.97% - 沪深300：9.17% - 中证500：5.30% - 中证800：8.38% - 中证1000：7.47% - 国证2000：7.47% - 创业板：11.52%[21][117]